Bekæmpelse af sult med kunstig intelligens

For at forbedre verdens fødevarebetingelser, et team omkring datalogiprofessor Kristian Kersting blev inspireret af teknologien bag Google News.

Næsten 800 millioner mennesker verden over lider af underernæring. I fremtiden kan der være omkring 9,7 milliarder mennesker – omkring 2,2 milliarder flere end i dag. Den globale efterspørgsel efter fødevarer vil stige, efterhånden som klimaændringerne efterlader mere og mere jord ufrugtbar. Hvordan skal fremtidige generationer brødføde sig selv?

Kristian Kersting, Professor i maskinlæring ved Technische Universität Darmstadt, og hans team ser en potentiel løsning i anvendelsen af ​​kunstig intelligens (AI). Maskinelæring, en særlig AI-metode, kunne være grundlaget for såkaldt præcisionslandbrug, som kunne bruges til at opnå højere udbytter på arealer af samme eller mindre størrelse. Projektet er finansieret af Forbundsministeriet for Fødevarer og Landbrug. Partnere er Institute of Crop Science and Resource Conservation (INRES) ved universitetet i Bonn og den Aachen-baserede virksomhed Lemnatec.

"Først og fremmest, vi ønsker at forstå, hvordan fysiologiske processer i planter ser ud, når de lider af stress, sagde Kersting. Stress opstår, for eksempel, når planter ikke optager nok vand eller er inficeret med patogener. Maskinlæring kan hjælpe os med at analysere disse processer mere præcist." Denne viden kunne bruges til at dyrke mere resistente planter og til at bekæmpe sygdomme mere effektivt.

Forskerne installerede et hyperspektralt kamera, der optager et bredbølgespektrum og giver dyb indsigt i planterne. Jo flere data der er tilgængelige om en plantes fysiologiske processer under dens vækstcyklus, jo bedre en software er i stand til at identificere tilbagevendende mønstre, der er ansvarlige for stress. Imidlertid, for meget data kan være et problem, da beregningerne bliver for komplekse. Forskerne har derfor brug for algoritmer, der kun bruger en del af dataene til læring uden at ofre nøjagtigheden.

Kerstings team fandt en smart løsning:At evaluere dataene, holdet brugte en meget avanceret læringsproces fra sprogbehandling, som bruges, for eksempel, på Google Nyheder. der, en AI udvælger de relevante artikler til læseren blandt titusindvis af nye artikler hver dag og sorterer dem efter emne. Dette gøres ved hjælp af sandsynlighedsmodeller, hvor alle ord i en tekst er tildelt et bestemt emne. Kerstings trick var at behandle de hyperspektrale billeder af kameraet som ord:Softwaren tildeler bestemte billedmønstre til et emne som plantens stresstilstand.

Forskerne arbejder i øjeblikket på at lære softwaren at optimere sig selv ved hjælp af dyb læring og hurtigere at finde de mønstre, der repræsenterer stress. "En sund plet kan for eksempel identificeres ud fra klorofylindholdet i plantens vækstproces, " sagde Kersting. "Når der opstår en tørringsproces, det målte spektrum ændrer sig betydeligt." Fordelen ved maskinlæring er, at den kan genkende sådanne tegn tidligere end en menneskelig ekspert, efterhånden som softwaren lærer at være opmærksom på flere finesser.

Det er håbet, at en dag, kameraer kan installeres langs rækker af planter på et samlebånd i drivhuset, giver softwaren mulighed for at påpege abnormiteter til enhver tid. Gennem en konstant udveksling med planteeksperter, systemet bør også lære at identificere selv ukendte patogener. "Ultimativt, vores mål er et meningsfuldt partnerskab mellem menneskelig og kunstig intelligens, for at løse det voksende problem med verdens ernæring, siger Kersting.